Automated detection and quantification of reverse triggering effort under mechanical ventilation
Notice bibliographique
Résumé
Abstract Background Reverse triggering (RT) is a dyssynchrony defined by a respiratory muscle contraction following a passive mechanical insufflation. It is potentially harmful for the lung and the diaphragm, but its detection is challenging. Magnitude of effort generated by RT is currently unknown. Our objective was to validate supervised methods for automatic detection of RT using only airway pressure (Paw) and flow. A secondary objective was to describe the magnitude of the efforts generated during RT. Methods We developed algorithms for detection of RT using Paw and flow waveforms. Experts having Paw, flow and esophageal pressure (Pes) assessed automatic detection accuracy by comparison against visual assessment. Muscular pressure (Pmus) was measured from Pes during RT, triggered breaths and ineffective efforts. Results Tracings from 20 hypoxemic patients were used (mean age 65 ± 12 years, 65% male, ICU survival 75%). RT was present in 24% of the breaths ranging from 0 (patients paralyzed or in pressure support ventilation) to 93.3%. Automatic detection accuracy was 95.5%: sensitivity 83.1%, specificity 99.4%, positive predictive value 97.6%, negative predictive value 95.0% and kappa index of 0.87. Pmus of RT ranged from 1.3 to 36.8 cmH 2 0, with a median of 8.7 cmH 2 0. RT with breath stacking had the highest levels of Pmus, and RTs with no breath stacking were of similar magnitude than pressure support breaths. Conclusion An automated detection tool using airway pressure and flow can diagnose reverse triggering with excellent accuracy. RT generates a median Pmus of 9 cmH 2 O with important variability between and within patients. Trial registration BEARDS, NCT03447288.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».